基于机器学习的高效率视频编码中编码深度算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 论文的研究意义与背景 | 第9-11页 |
| 1.2 国内外的研究现状 | 第11-15页 |
| 1.2.1 视频编码理论研究现状 | 第11-13页 |
| 1.2.2 HEVC深度决策算法研究现状 | 第13-14页 |
| 1.2.3 聚类算法和支持向量机的研究现状 | 第14-15页 |
| 1.3 论文研究内容以及结构安排 | 第15-17页 |
| 第二章 高效率视频编码标准及深度决策算法介绍 | 第17-29页 |
| 2.1 HEVC混合编码框架 | 第17-18页 |
| 2.1.1 HEVC编码结构图 | 第17-18页 |
| 2.1.2 HEVC视频编码过程 | 第18页 |
| 2.2 HEVC标准中关键技术介绍 | 第18-23页 |
| 2.2.1 HEVC图像分块分割 | 第19-20页 |
| 2.2.2 HEVC帧内预测 | 第20-21页 |
| 2.2.3 HEVC帧间预测 | 第21页 |
| 2.2.4 HEVC运动合并技术 | 第21-22页 |
| 2.2.5 HEVC高级运动矢量预测 | 第22-23页 |
| 2.2.6 HEVC自适应补偿滤波器 | 第23页 |
| 2.3 HEVC中深度决策算法基础 | 第23-28页 |
| 2.3.1 HEVC的视频失真度以及率失真优化 | 第23-25页 |
| 2.3.2 HEVC帧内编码深度决策算法 | 第25-27页 |
| 2.3.3 HEVC帧间编码深度决策算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于K均值聚类的HEVC帧内编码快速算法 | 第29-41页 |
| 3.1 HEVC帧内编码深度决策算法的缺点 | 第29-30页 |
| 3.2 K-means聚类算法 | 第30-32页 |
| 3.2.1 K-means算法原理 | 第30-31页 |
| 3.2.2 K-means算法特征选取 | 第31-32页 |
| 3.3 HEVC帧内预测模式的改进 | 第32-33页 |
| 3.3.1 HEVC帧内预测模式选择算法 | 第32-33页 |
| 3.3.2 HEVC帧内预测模式数量缩减 | 第33页 |
| 3.4 基于K-means的帧内编码快速算法 | 第33-36页 |
| 3.5 实验结果及分析 | 第36-40页 |
| 3.5.1 实验环境介绍 | 第36-37页 |
| 3.5.2 实验结果分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于支持向量机的HEVC帧间编码深度算法 | 第41-57页 |
| 4.1 HEVC帧间编码深度决策算法的缺点 | 第41-42页 |
| 4.2 SVM算法 | 第42-44页 |
| 4.3 基于SVM的帧间编码深度决策算法 | 第44-46页 |
| 4.4 图像编码特征提取 | 第46-50页 |
| 4.4.1 特证选取的两种方式 | 第46-47页 |
| 4.4.2 基于F-score的包装方法 | 第47页 |
| 4.4.3 特征的选取过程 | 第47-49页 |
| 4.4.4 特征子集的选取 | 第49-50页 |
| 4.5 实验结果及分析 | 第50-55页 |
| 4.5.1 实验环境介绍 | 第50-52页 |
| 4.5.2 实验结果分析 | 第52-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 作者攻读学位期间发表的学术论文目录 | 第65页 |
